Özel bir makine öğrenimi motoru benim için en iyi seçim ne zaman?

Özel bir makine öğrenimi motoru, aşağıdaki durumlar doğru olduğunda en iyi seçimdir:

• Makine öğrenimi modellerine hizmet vermek için hemen kullanıma sunulan herhangi bir ürünü kullanmıyorsunuz. Modellerinize hizmet verecek bir sisteminiz var ve bu işlev için Watson OpenScale ' de doğrudan destek yok.
• 3rd-party sağlayıcısından kullandığınız hizmet motoru henüz Watson OpenScale tarafından desteklenmiyor. Bu durumda, özgün ya da yerel devreye alımlarınıza sarıcı olarak özel bir makine öğrenimi motoru geliştirmeyi düşünün.

Nasıl çalışır

Aşağıdaki resim özel ortam desteğini gösterir:

Aşağıdaki bağlantılara da başvurabilirsiniz:

Watson OpenScale bilgi yükü günlük kaydı API 'si

Python istemcisi SDK

Python SDK for IBM Watson OpenScale

• İzleme programlarını desteklemek için modele ilişkin giriş ölçütleri

  Aşağıdaki örnekte, modeliniz bir özellik vektörü alır; bu vektör, temel olarak adlandırılmış alanların ve değerlerinin bir toplamıdır.

  {
  "fields": [
      "name",
      "age",
      "position"
  ],
  "values": [
      [
          "john",
          33,
          "engineer"
      ],
      [
          "mike",
          23,
          "student"
      ]
  ]
  
  

  “age” alanı adil olarak değerlendirilebilir.

  Giriş, giriş özelliği alanından dönüştürülen bir tensör ya da matrisse, bu model geçerli yayın düzeyinde Watson OpenScale platformu tarafından işlenemez. Ek olarak, metin veya resim girişi içeren derin öğrenme modelleri sapma algılama ve azaltma için işlenemez.

  Ayrıca, Explainability desteği için eğitim verileri yüklenmelidir.

  Metindeki açıklanabilirlik için, tam metin özelliklerden biri olmalıdır. Bir Özel modele ilişkin görüntülerde açıklanabilirlik geçerli yayında desteklenmiyor.

• İzleme programlarını desteklemek için modele ilişkin çıkış ölçütleri

  Modeliniz, giriş özellik vektörünü, o modeldeki çeşitli sınıfların öngörü olasılıklarının yanı sıra çıkarır.

  {
  "fields": [
      "name",
      "age",
      "position",
      "prediction",
      "probability"
  ],
  "labels": [
      "personal",
      "camping"
  ],
  "values": [
      [
          "john",
          33,
          "engineer",
          "personal",
          [
              0.6744664422398081,
              0.3255335577601919
          ]
      ],
      [
          "mike",
          23,
          "student"
          "camping",
          [
              0.2794765664946941,
              0.7205234335053059
          ]
      ]
  ]
  }
  

  Bu örnekte, "personal” ve “camping” olası sınıflardır ve her puanlama çıkışındaki puanlar her iki sınıfa da atanır. Eğer öngörü olasılıkları eksikse, sapma tespiti işe yarar, ama otomatik sapma işe yaramaz.

  Puanlama çıkışına, Watson OpenScale ' in REST API ile çağırabileceği canlı bir puanlama uç noktasından erişebilirsiniz. CUSTOMML, SageMakerve IBM Watson Machine Learningiçin Watson OpenScale doğrudan yerel puanlama uç noktalarına bağlanır.

Özel makine öğrenimi motoru

Özel bir makine öğrenimi motoru, makine öğrenimi modelleri ve web uygulamaları için altyapı ve barındırma yetenekleri sağlar. Watson OpenScale tarafından desteklenen özel makine öğrenimi motorları aşağıdaki gereksinimlere uygun olmalıdır:

• İki tip REST API uç noktasını göster:

  • keşif uç noktası (GET konuşlandırmalar ve ayrıntılar listesi)
  • uç noktaları puanlama (çevrimiçi ve gerçek zamanlı puanlama)

• Tüm uç noktaların desteklenmek için swagger belirtimiyle uyumlu olması gerekir.

• Devreye alma işleminin giriş bilgi yükü ve çıkışı, belirtimde açıklanan JSON dosya biçimiyle uyumlu olmalıdır.

Watson OpenScale yalnızca BasicAuth, noneya da apiKey kimlik doğrulama biçimlerini destekler.

REST API uç noktaları belirtimini görmek için bkz. Watson OpenScale REST API.

Watson OpenScale ' e özel bir makine öğrenimi motoru ekleme

Watson OpenScale ürününü, aşağıdaki yöntemlerden birini kullanarak özel bir makine öğrenimi sağlayıcısıyla çalışacak şekilde yapılandırabilirsiniz:

• İlk özel makine öğrenimi sağlayıcınızı Watson OpenScale' e eklemek için yapılandırma arabirimini kullanabilirsiniz. Daha fazla bilgi için Özel bir makine öğrenimi eşgörünümünün belirtilmesibaşlıklı konuya bakın.
• Python SDK ' yı kullanarak da makine öğrenimi sağlayıcınızı ekleyebilirsiniz. Birden çok sağlayıcıya sahip olmak istiyorsanız bu yöntemi kullanmanız gerekir. Daha fazla bilgi için bkz. Özel makine öğrenimi motorunun eklenmesi.

Daha fazla araştırma

Diğer hizmetlerle etkileşim kurmanın bir yolunu yaratmak için özel bir makine öğrenimi izleme programı kullanın:

• Watson OpenScaleile özel makine öğrenimi motorunu izleyin

Özel ML hizmeti örneğini belirtme

Watson OpenScale aracındaki ilk adımınız bir hizmet eşgörünümü belirtmektir. Hizmet eşgörünümünüz, yapay zeka modellerinizi ve devreye alımlarınızı sakladığınız yerdir.

Özel hizmet örneğinizi bağlayın

Watson OpenScale , bir hizmet eşgörünümünde yapay zeka modellerine ve devreye alımlarına bağlanır. Özel bir hizmeti bağlayabilirsiniz. Hizmetinizi Watson OpenScale' e bağlamak için Yapılandır sekmesine gidin, bir makine öğrenimi sağlayıcısı ekleyin ve Düzenle simgesini tıklatın. Bir ad, açıklama ve Üretim Öncesi ya da Üretim ortam tipini belirtmeye ek olarak, bu hizmet eşgörünümü tipine özgü aşağıdaki bilgileri de sağlamanız gerekir:

• Kullanıcı adı
• Parola
• https://custom-serve-engine.example.net:8443 gibi https://host:portbiçimini kullanan API uç noktası

Bir liste isteyerek ya da tek tek puanlama uç noktaları girerekdevreye alımlarınıza bağlanıp bağlanmayacağınızı seçin.

Özel makine öğrenimi motoru örnekleri

Kendi özel makine öğrenimi motorunuzu ayarlamak için aşağıdaki fikirleri kullanın.

Python ve matara

Scikit-learn modelini sunmak için Python ve matara kullanabilirsiniz.

Drift detection modelini oluşturmak için not defterinde scikit-learn sürümünü 0.20.2 kullanmanız gerekir.

Uygulama, test amacıyla ve IBM Cloudüzerinde bir uygulama olarak yerel olarak devreye alınabilir.

Node.js

Node.js içindeyazılan özel bir makine öğrenimi motoru örneği de bulabilirsiniz.

End2end kod kalıbı

Özel motor devreye alma ve Watson OpenScaleile bütünleştirme için end2end örneğini gösteren kod kalıbı .

Özel makine öğrenimi motoruyla bilgi yükü günlük kaydı

IBM Watson Machine Learning ya da özel makine öğrenimi motoru için bilgi yükü günlük kaydını yapılandırmak üzere ML motorunu özel olarak bağlamanız gerekir.

CUSTOM_ENGINE_CREDENTIALS = {
    "url": "***",
    "username": "***",
    "password": "***",
}
 
wos_client.service_providers.add(
        name=SERVICE_PROVIDER_NAME,
        description=SERVICE_PROVIDER_DESCRIPTION,
        service_type=ServiceTypes.CUSTOM_MACHINE_LEARNING,
        credentials=CustomCredentials(
            url= CUSTOM_ENGINE_CREDENTIALS['url'],
            username= CUSTOM_ENGINE_CREDENTIALS['username'],
            password= CUSTOM_ENGINE_CREDENTIALS['password'],
        ),
        background_mode=False
    ).result

client.service_providers.get(service_provider_id).result.to_dict()

{
	"input_data": [{
		"fields": [
			"name",
			"age",
			"position"
		],
		"values": [
			[
			"john",
			 33,
			"engineer"
			],
			[
			"mike",
			 23,
			"student"
			]
		]
	}]
}

{
	"predictions": [{
		"fields": [
			"name",
			"age",
			"position",
			"prediction",
			"probability"
		],
		"labels": [
			"personal",
			"camping"
		],
		"values": [
			[
			"john",
			 33,
			"engineer",
			"personal",
			[
			0.6744664422398081,
			0.32553355776019194
			]
			],
			[
			"mike",
			 23,
			"student",
			"camping",
			[
			0.2794765664946941,
			0.7205234335053059
			]
			]
		]
	}]
}

custom_asset = Asset(
        asset_id=asset['entity']['asset']['asset_id'],
        name=asset['entity']['asset']['name'],
        url = "dummy_url",
        asset_type=asset['entity']['asset']['asset_type'] if 'asset_type' in asset['entity']['asset'] else 'model',
        problem_type=ProblemType.MULTICLASS_CLASSIFICATION,
        input_data_type=InputDataType.STRUCTURED,
    )
deployment = AssetDeploymentRequest(
        deployment_id=asset['metadata']['guid'],
        url=asset['metadata']['url'],
        name=asset['entity']['name'],
        deployment_type=asset['entity']['type'],
        scoring_endpoint =  scoring_endpoint
    )
asset_properties = AssetPropertiesRequest(
        prediction_field='predicted_label',
        probability_fields = ["probability"],
        training_data_reference=None,
        training_data_schema=None,
        input_data_schema=None,
        output_data_schema=output_schema,
    )
result = ai_client.subscriptions.add(
        data_mart_id=cls.datamart_id,
        service_provider_id=cls.service_provider_id,
        asset=custom_asset,
        deployment=deployment,
        asset_properties=asset_properties,
        background_mode=False
    ).result

subscription_id = subscription_details.metadata.id
subscription_id
 
details: wos_client.subscriptions.get(subscription_id).result.to_dict()

request_data = {'fields': feature_columns, 
                'values': [[payload_values]]}

response_data = {'fields': list(result['predictions'][0]),
                 'values': [list(x.values()) for x in result['predictions']]}